从车辆收集的视频中进行三维重建较为困难，车辆的前向运动速度较快。与标准基准相比，对象经常出现在相机远离的地方，图像质量通常会因为运动模糊而降低，并且经常会发生遮挡。这导致了交通数据专门基准的普及。最近，光探测与测距（LiDAR）传感器因其直接估计深度而变得流行，无需进行三维重建。然而，与基于图像的方法相比，基于 LiDAR 的方法在远距离的关节人体检测方面仍然存在欠缺。我们假设针对 LiDAR 数据的关节人体感知基准可以促进交通中关于人体感知和预测的研究，并可能提高行人的交通安全。

Sep, 2023

本文通过应用 MultiTaskV3 检测 - 分割网络为基础的感知系统，在 AMD Xilinx Kria KV260 Vision AI 嵌入式平台上进行的适当训练、量化和实现，实现了在单一结构中执行两种功能，并且在物体检测方面实现了高精度。

Jul, 2023

本研究提出了一种新方法，通过整合深度学习、图像处理和几何计算来解决观测车辆定位问题，通过移动传感器或 MV 上搭载的单目摄像头，可以成功地动态地估计车辆的经纬度信息。

Mar, 2022

本文探讨了在自动驾驶系统中，如何使用不同的传感器进行环境检测，并比较了使用不同传感器的准确性表现，结果表明虽然传感器融合可以获得更准确的检测结果，但仅使用激光雷达可以在减少通道负担的同时实现类似的结果。

Apr, 2021

本论文提出了一种基于多模态数据融合的车辆跟踪框架，该框架利用图像处理和速度估计的方法对城市区域中的车辆进行跟踪，并通过 Kalman 滤波等方法实现车辆定位和轨迹跟踪的任务。实验结果表明了该方法的高效性。

Oct, 2018

本文提出了一种利用深度学习和流张量时空滤波相结合的多线索检测管道，可以高效地检测移动车辆并结合上下文信息进行语义压缩，以更好地利用空地网络链路的有限带宽。

Jul, 2019

通过对三种不同的网络体系结构进行实验，我们证明了多任务 V3 对于物体检测和区域分割的性能最佳，可在自动驾驶车辆的嵌入式感知系统中具有实用性。

Jun, 2023

讨论了激光雷达与传感器融合技术在自动驾驶车辆对象检测和定位方面的显著改进，并通过对最新研究方法的实验分析提出了未来的研究方向。

Feb, 2022

为了使自动驾驶汽车能够成功运行，需要能够准确检测远处的车辆。本研究发现，结合雷达数据可以提高卷积神经网络在检测远处小物体时的表现，同时提出了一种使用不同焦距摄像头进行数据生成的高效自动方法。

Jan, 2019

本论文研究了基于无人机交通视频的实时车辆检测和城市交通行为分析系统。通过使用无人机收集交通数据，并结合 YOLOv8 模型和 SORT 跟踪算法，在 iOS 移动平台上实现对象检测和跟踪功能。使用动态计算方法实时处理性能，计算车辆的微观和宏观交通参数，并进行实时的交通行为分析和可视化。实验结果显示，车辆对象检测的准确率达到 98.27%、召回率达到 87.93%，实时处理能力稳定在每秒 30 帧。这项工作将无人机技术、iOS 开发和深度学习技术整合在一起，将交通视频采集、目标检测、目标跟踪和交通行为分析功能集成到移动设备上，为轻量级交通信息收集和数据分析提供了新的可能性，并为交通管理部门改善道路交通状况分析效率和解决交通问题提供了创新的解决方案。

Feb, 2024